Qwen3.6-27B — открытая 27B-модель семейства Qwen3.6, выпущенная как плотная, то есть без MoE-маршрутизации. При этом она остается нативно мультимодальной: работает с текстом, изображениями и видео, поддерживает reasoning в thinking mode и прямые ответы в non-thinking mode. Базовая версия опубликована в BF16, а также есть официальная FP8-квантизованная версия, ее метрики почти идентичны базовой модели.
Главная особенность архитектуры — гибридная схема внимания: 16 × (3 × Gated DeltaNet → FFN + 1 × Gated Attention → FFN), то есть три четверти блоков используют Gated DeltaNet, а каждый четвертый блок — Gated Attention. Gated DeltaNet можно понимать как более экономичный механизм линейного внимания: он не пересчитывает все попарные связи токенов как классическое attention, а обновляет компактное состояние и через gating решает, какую информацию сохранить или пропустить дальше. Gated Attention, наоборот, оставляет более точное обычное attention в части слоев: оно полезно для явного извлечения деталей из контекста, а gating помогает фильтровать и стабилизировать выход. В итоге модель совмещает длинноконтекстную эффективность DeltaNet с точностью классического attention.
Модель обучена с применением Multi-Token Prediction (MTP) и может похвастаться нативным контекстным окном в 262 144 токена, а через RoPE/YaRN scaling он расширяется до 1 010 000 токенов. Разработчики отдельно предупреждают, что при OOM можно уменьшать контекст, но для сложных reasoning-задач желательно сохранять его не меньше 128K токенов, потому что длинный контекст напрямую участвует в качестве рассуждений. Еще одна важная функция — preserve_thinking: модель может сохранять reasoning-контекст прошлых сообщений, что особенно полезно для многошаговых агентов, где важно не начинать анализ с нуля на каждом ходе. Для продакшена разработчики рекомендуют SGLang, vLLM или KTransformers; для генерации в thinking mode — temperature 1.0, top_p 0.95, top_k 20, для точного coding/WebDev — temperature 0.6, top_p 0.95, top_k 20, а для non-thinking режима — temperature 0.7, top_p 0.80 и presence_penalty 1.5.
Главное отличие Qwen3.6-27B от предыдущей Qwen3.5-27B — резкий рост именно в агентном кодинге и repository-level reasoning. На SWE-bench Verified модель набирает 77.2 против 75.0 у Qwen3.5-27B, на SWE-bench Pro — 53.5 против 51.2, на Terminal-Bench 2.0 — 59.3 против 41.6, на SkillsBench Avg5 — 48.2 против 27.2, на QwenWebBench — 1487 против 1068. В сравнении с Qwen3.5-397B-A17B модель выглядит особенно интересно: при 27B плотных параметров она обгоняет 397B-total / 17B-active MoE-предшественника на основных coding-бенчмарках, включая SWE-bench Verified, SWE-bench Pro, Terminal-Bench 2.0, SkillsBench, NL2Repo и Claw-серию. Это и есть ее главная “вау”- особенность: не просто новая модель с большим контекстом, а компактная dense-модель, которая в задачах разработчика догоняет и местами превосходит гораздо более крупные системы.
Сценарии использования логично строятся вокруг сильных сторон модели: агентное программирование, автоматическое исправление багов, работа с большими репозиториями, генерация и доработка фронтенда, выполнение терминальных задач, анализ pull request и CI-ошибок. За счет мультимодальности модель подходит для разбора скриншотов интерфейсов, макетов, диаграмм, OCR-документов, видео и visual QA, а за счет длинного контекста — для анализа больших кодовых баз, технической документации, RAG-сценариев и многошаговых корпоративных ассистентов. Для self-hosting можно выбирать BF16 как основную качественную версию, а FP8 — когда важны память, throughput и стоимость инференса при сохранении близкого качества.
| Наименование модели | Контекст | Тип | GPU | TPS | Tooling | Статус | Ссылка |
|---|---|---|---|---|---|---|---|
| cyankiwi/Qwen3.6-27B-AWQ-INT4 | 263K | Публичный | 2×4090 tensor |
81 | да | доступен | чат |
curl https://chat.immers.cloud/v1/endpoints/generate/chat/completions \
-H "Content-Type: application/json" \
-H "Authorization: Bearer USER_API_KEY" \
--data-binary @- <<"EOF"
{"model": "qwen3.6-27b", "messages": [
{"role": "system", "content": "You are a helpful assistant."},
{"role": "user", "content": "Say this is a test"}
], "temperature": 0, "max_tokens": 150
}
EOF
$response = Invoke-WebRequest https://chat.immers.cloud/v1/endpoints/generate/chat/completions `
-Method POST `
-Headers @{
"Authorization" = "Bearer USER_API_KEY"
"Content-Type" = "application/json; charset=utf-8"
} `
-Body ([System.Text.Encoding]::UTF8.GetBytes((@{
model = "qwen3.6-27b"
messages = @(
@{ role = "system"; content = "You are a helpful assistant." },
@{ role = "user"; content = "Say this is a test" })
} | ConvertTo-Json -Depth 10)))
([System.Text.Encoding]::UTF8.GetString($response.RawContentStream.ToArray()) | ConvertFrom-Json).choices[0].message.content
#!pip install OpenAI --upgrade
from openai import OpenAI
client = OpenAI(
api_key="USER_API_KEY",
base_url="https://chat.immers.cloud/v1/endpoints/generate/",
)
chat_response = client.chat.completions.create(
model="qwen3.6-27b",
messages=[
{"role": "system", "content": "You are a helpful assistant."},
{"role": "user", "content": "Say this is a test"},
]
)
print(chat_response.choices[0].message.content)
# linux
export ANTHROPIC_BASE_URL=https://chat.immers.cloud/v1/endpoints/generate/
export ANTHROPIC_API_KEY=USER_API_KEY
export ANTHROPIC_MODEL=qwen3.6-27b
# windows (ps)
[Environment]::SetEnvironmentVariable("ANTHROPIC_BASE_URL", "https://chat.immers.cloud/v1/endpoints/generate/", "User")
[Environment]::SetEnvironmentVariable("ANTHROPIC_AUTH_TOKEN", "USER_API_KEY", "User")
[Environment]::SetEnvironmentVariable("ANTHROPIC_MODEL", "qwen3.6-27b", "User")
# linux
export OPENAI_BASE_URL=https://chat.immers.cloud/v1/endpoints/generate/
export OPENAI_API_KEY=USER_API_KEY
export OPENAI_MODEL=qwen3.6-27b
# windows (ps)
[Environment]::SetEnvironmentVariable("OPENAI_BASE_URL", "https://chat.immers.cloud/v1/endpoints/generate/", "User")
[Environment]::SetEnvironmentVariable("OPENAI_API_KEY", "USER_API_KEY", "User")
[Environment]::SetEnvironmentVariable("OPENAI_MODEL", "qwen3.6-27b", "User")
Арендуйте собственный физически выделенный инстанс с почасовой оплатой или на длительный срок с помесячной оплатой.
Мы рекомендуем создание частных инстансов в случаях, если необходимо:
| Наименование | GPU | TPS | Параллельность (макс.) | |||
|---|---|---|---|---|---|---|
262 144 tensor |
2 | 83,37 ₽ | 1,01 | Запустить | ||
262 144 tensor |
4 | 112,24 ₽ | 1,40 | Запустить | ||
262 144 tensor |
2 | 139,77 ₽ | 70.08 | 1,11 | Запустить | |
262 144 tensor |
2 | 139,77 ₽ | 57.00 | 1,11 | Запустить | |
262 144 tensor |
2 | 171,77 ₽ | 92.33 | 1,01 | Запустить | |
262 144 |
1 | 211,77 ₽ | 70.55 | 3,13 | Запустить | |
262 144 tensor |
2 | 261,77 ₽ | 2,02 | Запустить | ||
262 144 |
1 | 341,77 ₽ | 75.40 | 3,13 | Запустить | |
262 144 |
1 | 367,41 ₽ | 114.00 | 3,93 | Запустить | |
262 144 tensor |
2 | 411,81 ₽ | 7,50 | Запустить | ||
262 144 |
1 | 423,04 ₽ | 6,58 | Запустить | ||
262 144 tensor |
2 | 839,97 ₽ | 136.50 | 14,42 | Запустить | |
| Наименование | GPU | TPS | Параллельность (макс.) | |||
|---|---|---|---|---|---|---|
262 144 pipeline |
3 | 119,81 ₽ | 1,28 | Запустить | ||
262 144 tensor |
4 | 139,96 ₽ | 2,63 | Запустить | ||
262 144 pipeline |
6 | 147,44 ₽ | 1,84 | Запустить | ||
262 144 |
1 | 211,77 ₽ | 48.09 | 2,53 | Запустить | |
262 144 tensor |
4 | 257,77 ₽ | 67.38 | 2,87 | Запустить | |
262 144 tensor |
2 | 261,77 ₽ | 1,41 | Запустить | ||
262 144 tensor |
4 | 269,04 ₽ | 2,87 | Запустить | ||
262 144 tensor |
4 | 321,77 ₽ | 49.89 | 2,86 | Запустить | |
262 144 |
1 | 341,77 ₽ | 55.69 | 2,51 | Запустить | |
262 144 |
1 | 367,41 ₽ | 82.74 | 3,33 | Запустить | |
262 144 tensor |
2 | 411,81 ₽ | 6,89 | Запустить | ||
262 144 |
1 | 423,04 ₽ | 5,96 | Запустить | ||
262 144 tensor |
2 | 839,97 ₽ | 13,82 | Запустить | ||
| Наименование | GPU | TPS | Параллельность (макс.) | |||
|---|---|---|---|---|---|---|
262 144 tensor |
4 | 156,24 ₽ | 1,23 | Запустить | ||
262 144 |
1 | 223,04 ₽ | 27.34 | 1,16 | Запустить | |
262 144 tensor |
4 | 264,96 ₽ | 57.00 | 1,49 | Запустить | |
262 144 tensor |
4 | 269,04 ₽ | 1,49 | Запустить | ||
262 144 tensor |
4 | 328,18 ₽ | 49.49 | 1,46 | Запустить | |
262 144 |
1 | 353,04 ₽ | 1,10 | Запустить | ||
262 144 |
1 | 367,41 ₽ | 53.93 | 1,95 | Запустить | |
262 144 pipeline |
3 | 387,41 ₽ | 1,34 | Запустить | ||
262 144 tensor |
2 | 411,81 ₽ | 43.28 | 5,52 | Запустить | |
262 144 |
1 | 423,04 ₽ | 4,55 | Запустить | ||
262 144 tensor |
4 | 513,04 ₽ | 3,26 | Запустить | ||
262 144 tensor |
2 | 839,97 ₽ | 12,41 | Запустить | ||
Свяжитесь с нашей специализированной группой поддержки по нейросетям support@immers.cloud или отправьте ваш запрос в отдел продаж sale@immers.cloud.